changed 4 years ago  
Published Linked with GitHub

Python 基礎爬蟲

AndyChiangFri, Feb 5, 2021 9:59 AM

tags: Python 爬蟲

安裝Beautiful Soup與requests

這兩個套件都是爬蟲好用(必備)的套件，使用起來簡單，適合用於靜態網站爬蟲(最常被爬的：PTT、Dcard、Yahoo等等)。

Beautiful Soup

Beautiful Soup通常用來分析抓下來的HTML，使用pip安裝：

pip install beautifulsoup4

Requests

Requests用於抓取HTML原始碼下來，一樣是使用pip安裝：

pip install requests

引用

大部分爬蟲引用這兩個模組就夠用了，少部分需要其他模組(os、json等等)

import requests
from bs4 import BeautifulSoup

抓取並分析網站

抓取網站使用到 requests.get() 函數，參數為我們想要爬蟲的網址(URL)，範例為PTT的C_Chat版。

response = requests.get("https://www.ptt.cc/bbs/C_Chat/index.html")

抓下來的並不是我們想要的HTML，因此要經過 BeautifulSoup 轉化。
轉化後的HTML排版並不好看，soup.prettify() 可以美化排版。

response = requests.get("https://www.ptt.cc/bbs/C_Chat/index.html")
soup = BeautifulSoup(response.text, "html.parser")

print(soup.prettify())

搜尋節點

搜尋為爬蟲相當重要的一環，抓下來的資訊零零散散，搜索就是幫助我們找到想要的資訊。

find()

搜尋第一個符合條件的HTML節點，參數為要搜尋的標籤名稱，回傳第一個符合條件的節點。

result = soup.find("h2")

find_all()

搜尋所有符合條件的HTML節點，回傳符合條件的節點列表。

result = soup.find_all("h3")

參數可加入關鍵字指定屬性值，另外limit參數可以限制搜尋的數量。

result = soup.find_all("h3", itemprop="headline", limit=3)

回傳為一個符合條件的節點列表(list)，當然也有索引值。

print(result[0])    # 印出第一個符合條件的節點

如果要同時搜尋多個HTML標籤，可以將標籤名稱打包成串列(list)後當成參數。

result = soup.find_all(["h3", "p"], limit=2)

如果要搜尋指定的CSS屬性值，則可以加入參數指定。
因為 class 是 Python 的保留字，所以要用 class_。

titles = soup.find_all("p", class_="summary", limit=3)

遇到這種情況，也可以用 { key : value } 表示法。

titles = soup.find_all("p", {"class" : "summary"}, limit=3)

使用 string 參數可搜尋指定文字內容的節點。

soup.find_all("p", string="Hello World")

select_one()

select()使用CSS選擇器的方式搜尋節點，類似jQuery的語法。

搜尋某節點底下的子節點，回傳第一個符合條件的子節點。

result.select_one("a")

select()

搜尋某節點底下的子節點，回傳多個符合條件的子節點的列表(list)，另外limit參數可以限制搜尋的數量。

result.select("a", limit=3)

所以通常是先find()到想爬的標籤，再select()往下找子節點。

如果要搜尋指定的CSS屬性值，則是用類似 Emmet 的語法。
比方說想搜尋 class=summary 的 h2 底下的 a 子節點，就要這樣搜尋：

links = soup.select("h2.summary a")

find_parent() 或 find_parents()

從目前節點向上搜尋符合條件的父節點。find_parent()用於搜尋單個，find_parents()則用於搜尋多個。
比方說想搜尋 itemprop="url" 的 a 上層的 h2 父節點，就要這樣搜尋：

result = soup.find("a", itemprop="url")
parents = result.find_parents("h2")

find_previous_sibling()

在同級的節點中，搜尋上一個節點。
比方說想搜尋 itemprop="headline" 的 h2 上一個的 a 節點，就要這樣搜尋：

result = soup.find("h2", itemprop="headline")
previous_node = result.find_previous_siblings("a")

find_next_sibling()

在同級的節點中，搜尋下一個節點。
比方說想搜尋 itemprop="headline" 的 h2 下一個的 p 節點，就要這樣搜尋：

result = soup.find("h2", itemprop="headline")
next_node = result.find_next_siblings("p")

抓取資料

搜尋到想要的節點後，下一個重要步驟當然就是抓取資料下來嘛!

get()

抓取節點屬性值，參數為屬性。
比方說想搜尋一個 a 的 href(URL連結)，就要這樣搜尋：

title.select_one("a").get("href")
# 等同於...
title.select_one("a")["href"]

getText()

抓取節點內部文字。
比方說想搜尋一個 a 的內部文字，就要這樣搜尋：

title.select_one("a").getText()
# 等同於...
title.select_one("a").text
# 等同於...
title.select_one("a").string

下載圖片

還在一張一張下載圖片嗎? 太落伍了! 試試看用爬蟲自動下載圖片吧~

  1. 先搜尋到該圖片的節點，然後抓取圖片的來源網址(src)，並且使用 get() 下載圖檔下來(注意，此時你的電腦中還不會出現圖片!)。
link = result.get("src")
img = requests.get(link)
  1. 接著開一個新檔案，用到 open() 函數，參數為檔名和輸入方式(圖片為二進位輸入，所以是 wb)，此範例因為只有一張圖，不然多張圖的情況檔名記得要換。
file = open("img1.jpg","wb")
  1. 把剛下載的圖檔內容寫進新檔案中，然後關檔(務必要關!!)，就完成啦!
file.write(img.content)
file.close()
  1. 推薦要寫：建議是把圖片統一存在一個資料夾，要不然下載的圖片會跟你的檔案混在一起喔!
    開檔前先檢查有沒有資料夾，如果沒有，就建立新資料夾。
if not os.path.exists("images"):
    os.mkdir("images")  # 建立資料夾

完整程式碼：

link = result.get("src")    # 抓取圖片src
img = requests.get(link)    # 下載圖片

if not os.path.exists("images"):
    os.mkdir("images")  # 建立資料夾

file = open("images\\img1.jpg","wb")    # 開啟新檔
file.write(img.content)    # 寫入內容
file.close()    # 關檔

210209補充 - Requests套件(進階)

在前面，我們可能只會這樣寫：

# 引入 requests 模組
import requests

# 使用 GET 方式下載普通網頁
response = requests.get("https://www.ptt.cc/bbs/C_Chat/index.html")
soup = BeautifulSoup(response.text, "html.parser")

但現在跟你說，Request還有更多的功能。

狀態碼(status code)

參數 status_code 可以得到該網站的狀態碼。

import requests

response = requests.get("https://www.ptt.cc/bbs/C_Chat/index.html")
print(response.status_code)
# 200

順便提一下狀態碼(Status Code)是什麼，幾個常見的有：

  • 200：一切順利，結果已經回傳。
  • 301：伺服器將使用者重新定向（re-direct）到另一個位址，當網站更換網域名稱或更改 Routes 時可能會發生。
  • 400：錯誤的語法請求。
  • 401：未通過伺服器的身份驗證，當請求沒有一併發送正確憑證時會發生。
  • 403：伺服器已經理解請求，但是拒絕執行它，意即與請求一併發送的憑證無效。
  • 404：找不到目標。

更多狀態碼：MDN - HTTP 狀態碼

GET 請求

增加 URL 查詢參數

有些網站URL中會夾帶的關鍵字，使用 params 參數生成。

import requests

my_params = {
    "key1": "value1",
    "key2": "value2"
}
response = requests.get(
    "https://www.ptt.cc/bbs/C_Chat/index.html", params=my_params)

print(response.url)
# https://www.ptt.cc/bbs/C_Chat/index.html?key1=value1&key2=value2

加入 headers

使用 headers 參數，經常加入 user-agent 或 cookie 等關鍵字。

# 自訂表頭
my_headers = {
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.150 Safari/537.36'
}

# 將自訂表頭加入 GET 請求中
response = requests.get(
    "https://www.ptt.cc/bbs/C_Chat/index.html", headers = my_headers)

如果是要找網頁存了哪些 cookie，可使用 cookie 參數加上 cookie 名稱。

# 含有 cookie 的內容
response = requests.get("http://my.server.com/has/cookies")

# 取出 cookie
print(response.cookies['my_cookie_name'])

將自己設定的 cookie 放入 GET 的 headers 中。

# 設定 cookie
my_cookies = {
    my_cookie_name: "content"
}

# 將 cookie 加入 GET 請求
r = requests.get("http://httpbin.org/cookies", cookies = my_cookies)

POST 請求

前面都是用 GET，但 POST 也算滿常用到的函數，可以用於回傳資料或上傳檔案。

回傳資料

# 資料
my_data = {'key1': 'value1', 'key2': 'value2'}

# 將資料加入 POST 請求中
r = requests.post('http://httpbin.org/post', data = my_data)

上傳檔案

# 要上傳的檔案
my_files = {'my_filename': open('my_file.docx', 'rb')}

# 將檔案加入 POST 請求中
r = requests.post('http://httpbin.org/post', files = my_files)

相關文章

參考網址

Select a repo